150 lines
3.5 KiB
Markdown
150 lines
3.5 KiB
Markdown
# 系统架构设计
|
||
|
||
## 1. 总体架构
|
||
|
||
系统采用前后端分离架构：
|
||
|
||
- 前端：Vue 3 + Vue Router + Element Plus + ECharts
|
||
- 后端：Flask + Pandas + Scikit-learn + PyTorch + Joblib
|
||
- 数据层：CSV 数据文件 + 模型文件
|
||
|
||
整体架构分为四层：
|
||
|
||
1. 表现层：负责页面展示、表单交互和图表可视化
|
||
2. 接口层：负责 HTTP 路由转发与请求响应
|
||
3. 业务层：负责数据统计、特征分析、预测和聚类逻辑
|
||
4. 数据与模型层：负责原始数据、清洗数据、模型文件和训练元数据
|
||
|
||
## 2. 前端架构设计
|
||
|
||
### 2.1 模块划分
|
||
|
||
- `Dashboard.vue`：数据概览页
|
||
- `FactorAnalysis.vue`：影响因素分析页
|
||
- `Prediction.vue`：缺勤预测页
|
||
- `Clustering.vue`：员工画像页
|
||
|
||
### 2.2 核心职责
|
||
|
||
- 页面布局与导航
|
||
- 图表渲染
|
||
- 表单输入与结果展示
|
||
- 接口调用与状态管理
|
||
|
||
## 3. 后端架构设计
|
||
|
||
### 3.1 路由层
|
||
|
||
- `overview_routes.py`
|
||
- `analysis_routes.py`
|
||
- `predict_routes.py`
|
||
- `cluster_routes.py`
|
||
|
||
### 3.2 服务层
|
||
|
||
- `data_service.py`：负责概览统计
|
||
- `analysis_service.py`：负责特征重要性与群体对比
|
||
- `predict_service.py`：负责模型加载与预测输出
|
||
- `cluster_service.py`：负责聚类结果组织
|
||
|
||
### 3.3 核心算法层
|
||
|
||
- `generate_dataset.py`：生成企业缺勤事件数据集
|
||
- `preprocessing.py`：数据清洗与预处理
|
||
- `model_features.py`：特征构建与预测输入映射
|
||
- `train_model.py`：模型训练与评估
|
||
- `deep_learning_model.py`：LSTM+MLP 深度学习训练与推理
|
||
- `feature_mining.py`：相关性分析与群体对比
|
||
- `clustering.py`：K-Means 聚类分析
|
||
|
||
## 4. 数据流设计
|
||
|
||
### 4.1 训练流程
|
||
|
||
1. 生成企业缺勤事件数据集
|
||
2. 加载并清洗数据
|
||
3. 构建衍生特征
|
||
4. 进行标签编码和特征筛选
|
||
5. 训练多种模型并评估性能
|
||
6. 保存模型、特征信息和训练元数据
|
||
|
||
其中深度学习路径采用：
|
||
|
||
- `LSTM` 处理员工最近多次缺勤事件构成的时间窗口序列
|
||
- `MLP` 处理员工静态属性特征
|
||
- 融合层输出缺勤时长回归结果
|
||
|
||
### 4.2 预测流程
|
||
|
||
1. 前端输入核心预测字段
|
||
2. 后端构建完整预测样本
|
||
3. 自动补齐默认字段
|
||
4. 执行特征工程和编码
|
||
5. 加载模型进行预测
|
||
6. 返回缺勤时长、风险等级、模型名称和置信度
|
||
|
||
### 4.3 分析流程
|
||
|
||
1. 读取清洗后的数据
|
||
2. 计算统计指标或相关关系
|
||
3. 组织成前端图表所需结构
|
||
4. 返回 JSON 数据供前端展示
|
||
|
||
## 5. 文件组织结构
|
||
|
||
```text
|
||
backend/
|
||
api/
|
||
core/
|
||
data/
|
||
models/
|
||
services/
|
||
app.py
|
||
|
||
frontend/
|
||
src/
|
||
api/
|
||
router/
|
||
styles/
|
||
views/
|
||
App.vue
|
||
main.js
|
||
```
|
||
|
||
## 6. 技术选型说明
|
||
|
||
### 6.1 Flask
|
||
|
||
- 轻量，适合本科毕设项目
|
||
- 路由层清晰，便于拆分接口
|
||
|
||
### 6.2 Vue 3
|
||
|
||
- 组件化开发效率较高
|
||
- 与 Element Plus、ECharts 配合较好
|
||
|
||
### 6.3 Scikit-learn
|
||
|
||
- 适合传统机器学习建模
|
||
- 提供随机森林、GBDT、Extra Trees 等成熟算法
|
||
|
||
### 6.4 PyTorch
|
||
|
||
- 用于实现 LSTM+MLP 深度学习模型
|
||
- 支持将时序特征与静态特征进行融合建模
|
||
- 便于在论文中增加深度学习对比实验内容
|
||
|
||
## 7. 部署方式
|
||
|
||
- 本地前端开发服务器：Vite
|
||
- 本地后端服务：Flask 开发服务器
|
||
- 模型文件与数据文件均存储在本地项目目录中
|
||
|
||
## 8. 架构特点
|
||
|
||
- 结构清晰，便于答辩说明
|
||
- 前后端职责明确
|
||
- 支持快速展示图表与预测效果
|
||
- 支持后续扩展为数据库或更复杂模型架构
|
||
- 同时支持传统机器学习模型与深度学习模型的实验对比
|